论文笔记：AttnMove: History Enhanced Trajectory Recovery via AttentionalNetwork

最新推荐文章于 2024-07-19 17:16:51 发布
最新推荐文章于 2024-07-19 17:16:51 发布
阅读量612 收藏
点赞数
分类专栏： 论文笔记 文章标签： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/134353327
版权

AAAI 2021

1 intro

1.1 背景

  • 将用户稀疏的轨迹数据恢复至细粒度的轨迹数据是十分重要的
  • 恢复稀疏轨迹数据至细粒度轨迹数据是非常困难的
    • 已观察到的用户位置数据十分稀疏，使得未观察到的用户位置存在较多的不确定性
    • 真实数据中存在大量噪声，如何有效的挖掘周期性规律存在一定困难
    • 经常在历史轨迹中被访问的地点并不一定会是目标时间窗缺失的地点，如何利用用户历史上的位置数据是另一个挑战

1.2 论文思路

  • 提出了一个基于注意力机制的神经网络结构AttnMove用以恢复用户的移动位置
  • 主要从以下三个方面着手解决数据稀疏问题
    • 为了获取用户移动特征及推测缺失数据中最有可能访问的地点，本文利用轨迹内注意力机制设计了一个当前处理器用以初步填补缺失位置
    • 利用另一个轨迹内注意力机制设计了一个历史处理器用以挖掘不同历史轨迹的周期性特征
    • 为了融合当前处理器以及历史处理器提取出来的特征并预测用户缺失地点，本文提出了一个基于轨迹间注意力及地点生成注意力机制的轨迹恢复模块
      • 轨迹间注意力机制——用于生成历史轨迹对于当前移动状态影响的权重
      • 地点生成注意力机制——用于考虑时空约束

2 问题定义

  • 轨迹：一个用户一天内按时间顺序的活动位置序列
    • \tau_{u}^n=l_u^{n,1}\rightarrow l_u^{n,2}\rightarrow \cdots,l_u^{n,l}\rightarrow l_u^{n,\tau}
      • l_{u}^{n,t}表示用户u在第n天第t个时间间隙所处的位置
      • 如果用户在t个时间间隙的位置信息未被观察到，则l_{u}^{n,t}为空
    • \tau_u^n为用户当前轨迹，\{\tau_u^1,\tau_u^2,\cdots,\tau_u^{n-1}\}为用户u的历史轨迹

本文将轨迹恢复问题定义为，给定一个用户当前轨迹及历史轨迹，恢复当前轨迹中的缺失位置信息，用以重建当前轨迹

3 模型

4 实验结果

4.1 数据

  • 分别在Tencent及Geolife两个数据集上进行了实验。
  • 将北京地区划分成10655个格子，每个格子平均256平方米，每条轨迹的时间间隙设定为30分钟

4.2 结果

MAP是平均Precision

UQI-LIUWJ
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
论文解读-MTrajRec: Map-Constrained Trajectory Recovery via Seq2Seq Multi-task Learning
wwpwwpwwpemmm的博客
01-28 1906
本篇文章提出了一个轨迹回复的seq2seq模型，用于恢复轨迹中的细粒度点，并以端到端的方式在道路网络上进行地图匹配。 Introduction 轨迹的采样率对基于轨迹的各种应用有着重要的作用，然而由于能耗的影响，有着大量的低采样率的轨迹，为了有效的利用这些轨迹，我们需要回复这些轨迹，恢复之后还需要与路网完成匹配。 传统的方法是基于两级流水线的。神经网络的兴起为我们提供一个端到端的方法提供了机会。主要的挑战如下，（1）地图限制。（2）粗糙网格表示。（3）多样复杂的因素。 本文的贡献如下：（1）尝试通过Seq2
【AAAI 2021】全部接受论文列表（五）
yinizhilianlove的博客
01-14 7550
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
JUST技术：基于注意力机制恢复细粒度轨迹
李瑞远-时空数据
03-05 491
随着基于位置服务的大量增长，越来越多的移动数据可以被分析挖掘，以更好地服务人们的生活。然而，与来自出租车等运输系统类的高采样率轨迹数据相比，用户地理服务数据具有严重稀疏性问题，是因为用户不会一直访问移动数据并贡献自己的位置信息（例如微博地址分享，大众点评签到等数据），而数据稀疏性问题不可避免的削弱了其实用价值。如何解决用户移动数据稀疏性，是一个非常具有挑战的问题。 本文将介绍清华大学发表在AAAI 2021上的论文《AttnMove: History Enhanced Trajectory Reco.
论文笔记：SimiDTR: Deep Trajectory Recovery with Enhanced Trajectory Similarity
qq_40206371的博客
11-11 423
一个位置由 l=(lon,lat) 表示，其中 lonlon 和 latlat 分别代表其经度和纬度给定一组具有采样间隔 Δ 的不完整轨迹，目标是恢复它们缺失的坐标。
论文笔记：Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond
qq_40206371的博客
03-30 1440
时空点 p 是一个独特的实体，形式为 (o, t, l, f)移动对象 o 在时间戳 t 下访问位置 l，并带有一个可选属性特征 f。
Multi-task Adversarial Learning for Semi-supervised Trajectory-User Linking
m0_53547520的博客
04-10 489
现有方法通常将 TUL 视为一个监督学习问题，需要大量标记的轨迹-用户对。然而，在实际场景中，由于数据隐私问题，用户可能不愿意公开他们的身份，从而导致标记轨迹用户对的稀缺。此外，轨迹数据通常是稀疏的，因为用户在去 POI 时并不总是签到。（1）标记的轨迹-用户对缺失（2）轨迹的签到点稀疏。然后作者提出了一个半监督学习框架。分为两个部分，第一部分是seq2seq部分，由编码器和解码器组成，主要用于完成轨迹补全。第二部分是体现半监督性质的对抗学习模块，由生成器和辨别器组成，主要用于完成用户与他生成的轨迹对应。
论文笔记目录（ver2.0）
qq_40206371的博客
01-25 2511
soft-dtw，可微分版本的dtwASTGCN:1）使用空间注意力机制来建模空间层面复杂的相关性2）使用时间注意力机制来捕获不同时间之间的动态时间相关性3）使用图卷积来捕获交通图中的空间特征；以及不同时间篇之间的依赖关系开发了一种transformer 用于时间序列1，使用因果卷积使得Q,K计算过程中可以看到一定的局部性2，提出LogSparse Transformer，将空间复杂度降至利用深度学习解决单变量时间序列点预测问题提出了一种。该模型具有可解释性时空注意力机制。
【转载】时空数据挖掘论文 - AAAI 2021
入凡尘狼性不足
11-09 1059
【转载】时空数据挖掘论文 - AAAI 2021 转载于此，造福大众，感谢原作者 今年AAAI2021接收论文投稿数为9034篇，总共有7911篇论文进行了评审，最终录取篇数为1692篇，接收率为21.4% 简介 近日公布出了论文的接收列表，笔者对其中的时空数据挖掘相关的论文进行了梳理，共42篇，占总录取篇数比例为2.48%，具体如下： Deep Switching Auto-Regressive Factorization: Application to Time Series Forecasting.
《GETNext: Trajectory Flow Map Enhanced Transformer for Next POI》
06-06
摘要：Next POI recommendation intends to forecast users’ immediate future movements given their current status and historical infor- mation, yielding great values for both users and service providers...
One-layer-only molecular deposition filming self-assemblies: a breakthrough in enhanced oil recovery
12-31
就一层分子沉积膜自组装:强化采油领域中的重大突破，高芒来，谷峥，近二十年来对多层膜性质和应用的研究十分广泛，但其它类型沉积膜的研究却相对较少。本文介绍了一类独特的分子沉积膜自组装，我们
EMC: Enhanced Monte Carlo-开源
04-28
EMC，全称为Enhanced Monte Carlo，是一种在分子和中尺度模拟中广泛应用的计算方法。蒙特卡洛（Monte Carlo）方法是基于随机抽样或统计试验的数值计算技术，它通过大量的随机抽样来解决复杂的计算问题。在EMC中，...
SeEagle: Semantic-Enhanced Anomaly Detection for Securing Eagle
02-10
SeEagle: Semantic-Enhanced Anomaly Detection for Securing Eagle
TCP ADaLR+: Enhanced TCP Scheme for GEO Satellite Network
02-10
TCP ADaLR+: Enhanced TCP Scheme for GEO Satellite Network
【论文阅读】Mamba: Linear-Time Sequence Modeling with Selective State Spaces
最新发布
kanon的博客
07-19 869
Mamba模型基于Transformer架构，旨在解决传统Transformer在长序列上的计算效率问题。通过引入选择性状态空间SSMs（Selective State Spaces），Mamba能够在保持线性时间复杂度的同时，实现与Transformer相媲美的性能。首先，简单地让SSM参数成为输入的函数，解决了它们在离散模态方面的弱点，允许模型根据当前令牌选择性地沿序列长度维度传播或忘记信息。其次，尽管这一变化阻碍了高效卷积的使用，但在循环模式下设计了一种硬件感知的并行算法。
《Towards Black-Box Membership Inference Attack for Diffusion Models》论文笔记
qq_41904729的博客
07-18 1057
识别艺术品是否用于训练扩散模型的挑战，重点是人工智能生成的艺术品中的成员推断攻击——copyright protection不需要访问内部模型组件的新型黑盒攻击方法展示了在评估 DALL-E 生成的数据集方面的卓越性能。xVθxtxVθ​xt细节如下：xxx加噪变为xtx_txt​，再通过DDIM连续降噪变为x\hat{x}xintuitioninXtXt2−∇xlog⁡pXtdWtt∈0T(3)Xt​。
【论文阅读笔记】Attention Is All You Need
pursuit的博客
07-17 852
Transformer的成功不仅在于其高效的信息传递路径，还在于其能够在更大范围内捕捉和利用序列中的关联信息，从而提升了序列建模任务的性能和效果。在Transformer中的位置编码使用了sin函数和cos函数，这种方法不同于传统的学习得到的位置嵌入，而是采用固定的函数形式，即。是序列处理模型中的基本思想。注意力机制就是对一系列的query和一系列的key-value对，我们需要确定对于每个query而言不同 value 的重要程度，而这个权重是根据 query 和key 的相关度计算得到的。
[论文笔记] pai-megatron-patch Qwen2-CT 长文本rope改yarn
心宝的博客
07-18 419
【代码】[论文笔记] pai-megatron-patch Qwen2-CT 长文本rope改yarn。
VAE论文阅读
HGGshiwo的博客
07-17 1140
其实有了概率密度，可以直接在里面采样。这里是推导过程，大家都这么写。在实际操作的时候，所有的p都会变成一个已知的分布，否则无法计算的。pθx一些公式p_\theta(x) = 一些公式pθ​x一些公式这些公式计算后发现是一个高斯分布NμσNμσxμσεxμσε其中ϵ\epsilonϵ是随机采样的噪声。所以说，两种形式必须都能看懂才行。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值